#快速功能充实维修人员：Marek Gierlinski(<M.Gierlinski@dundee.ac.uk邮箱>)此R包提供了一种快速高效的功能丰富分析方法，针对速度进行了优化，并设计用于交互式应用程序，如*Shiny*应用程序。##快速示例要直接从GitHub运行*Shiny*应用程序演示`fenr`，请在R控制台中输入以下命令：```闪亮：：runGitHub（“bartongroup/finr闪亮示例”）```##安装`fenr`可以使用安装```如果（！require（“BiocManager”，悄悄地=TRUE））install.packages（“BiocManager”）BiocManager:：安装（“fenr”）```##用法初始步骤包括下载功能术语数据`fenr`支持从*Gene Ontology*、*Reactome*、*KEGG*和*WikiPathways*下载数据。如果将自定义本体转换为适当的格式，也可以使用它们（有关详细信息，请参阅“prepare_for_enrichment”函数）。下面的命令从酵母基因本体（GO）下载功能术语和基因映射：```go<-fetch_go（species=“sgd”）```此命令返回一个包含两个tible的列表，其中包含术语信息（`term_id`和`term_name`）和gene-term映射（`term-id`和` gene_symbol`）。我们将此数据转换为适合快速函数充实的对象`exmplall`是该软件包提供的一个基因背景示例，其中包含一个带有与实验中所有检测相关的基因符号的载体。```数据（exmpl_all、exmpl_sel）go_terms<-prepare_for_enrichment（go$terms，go$mapping，exmpl_all，feature_name=“gene_symbol”）```“go_terms”对象是一个数据结构，它以一种快速可访问的形式包含所有映射。从现在开始，您可以使用go_term对各种基因选择执行多功能丰富。例如，如果“exmpl_all”是包含所有背景基因符号的载体，而“exmpl _sel”是包含感兴趣基因的载体（均由软件包提供），则可以使用以下方法执行功能富集分析：```enr<-功能丰富（exmpl_all、exmpl_sel、go_terms）```结果是一个棘手的问题：```#A字型：51×10term_id term_name N_with N_with_sel N_expect浓缩奇数比率id p_value p_adjust<chr><chr><int><int><dbl><dbl><chr><dbl><dbl>1 GO:1905356对snRNA假尿苷合成物的调节…2 0.01 333 Inf TOR2…8.61e-6 5.49e-52 GO:0031929 TOR信号19 18 0.06 315 41800 TOR2…0 03 GO:0031931 TORC1复合物11 10 0.03 302 6330 TOR2…0 04 GO:0001558细胞生长调节9 5 0.03 185 544 KOG1…1.84e-11 2.34e-105 GO:0031932 TORC2复合物15 7 0.05 155 435 TOR2…4.66e-15 7.93e-146 GO:0016242宏观自噬负调控9 3 0.03 111 193 KSP1…1.95e-6 1.42e-57 GO：0043666磷蛋白磷酸酶的调节…13 4 0.04 102 182 SAP1…4.24e-8 4.33e-78 GO:0030950肌动蛋白c的建立或维护…15 4 0.05 88.7 149 TOR2…8.07e-8 6.86e-79 GO:0031930线粒体-核信号通路9 2 0.03 73.9 105 TOR1…3.06e-4 1.3 e-310 GO:0010507自噬负调控12 2 0.04 55.4 73.2 TOR2…5.58e-4 2.03e-3# ℹ 还有41行```这些列如下-`N_with`：所有基因背景中与该术语相关的特征（基因）数量。-`n_with_sel`：选择中与此术语关联的功能数。-`n_expect`：在零假设下与该术语相关的预期特征数（术语随机分布）。-“富集”：观察到的与预期的比率。-`odds_ratio`：效果大小，由列联表中的比值比表示。-`ids`：选定内容中包含术语的要素的标识符。-`p_value`：超几何分布的原始p值。-`p_adjust`：使用Benjamini-Hochberg方法针对多次测试调整的p值。#交互式示例软件包中包含一个小型Shiny应用程序，用于演示“fenr”在交互式环境中的使用。所有耗时的数据加载和准备任务都在应用程序启动之前执行。```数据（yeast_de）term_data<-fetch_terms_for_example（yeast_de）````yeast_de`是6+6个重复的子集上差异表达（使用`edgeR`）的结果，来源于[Gierlinski等人（2015）](https://academic.oup.com/bioinformatics/article/31/22/3625/240923).函数`fetch_terms_for_example`使用`fenr`中的`fetch_*`函数从*GO*、*Reactome*和*KEGGG*下载和处理数据。您可以通过检查[GitHub]上的功能代码来查看分步过程(https://github.com/bartongroup/fenr/blob/main/R/iteractive_example.R). 对象`term_data`是`fenr_terms`对象的命名列表，每个本体对应一个对象。完成慢速任务后，您可以运行以下命令启动Shiny应用程序：```丰富交互（酵母，术语数据）```要快速了解“fenr”的工作原理，可以直接从GitHub加载一个示例：```shin:：runGitHub（“bartongroup/fenr-shin-example”）```
